声明
致谢
1 引言
1.1 研究背景及意义
1.2 时间序列分类研究现状
1.2.1 时间序列的分类背景
1.2.2 时间序列的分类方法
1.3 不平衡分类研究现状
1.3.1 不平衡数据的产生
1.3.2 不平衡数据预处理方法
1.3.3 不平衡数据分类方法
1.4 论文组织结构
2 LTE故障预测机理及其相关基础理论研究
2.1 问题描述
2.2 路测数据和基站数据相关参数
2.2.1 路测数据参数
2.2.2 基站数据参数
2.2.3 数据的匹配
2.3 数据预处理相关方法
2.3.1 缺失值和异常值的处理方法
2.3.2 归一化和标准化
2.4 K-MEANS聚类算法
2.5 分类相关算法
2.5.1 支持向量机(SVM)
2.5.2 集成学习
2.6 不平衡分类结果的评价指标
2.7 本章小结
3 数据预处理
3.1 问题描述
3.2 路测数据预处理
3.2.1 插值补充数据完整度
3.2.2 插值实验结果
3.3 基站数据预处理
3.3.1 基站数据清洗
3.3.2 二分K-means聚类实验
3.3.3 聚类实验结果
3.4 本章小结
4 基于聚类的SHAPELETS选择方法及分类研究
4.1 问题描述
4.2 时间序列子序列集合的选取
4.3 K-DTW聚类算法
4.4 K-DTW-SHAPELETS特征提取方法
4.5 基于K-DTW-SHAPELETS特征提取的分类方法
4.5.1 SVM分类
4.5.2 簇中心权重
4.5.3 CCS(Clusters Centroid SVM)分类方法
4.6 本章小结
5 CCS分类方法实验
5.1 CCS在UCR数据集的实验结果
5.1.1 CCS参数设置
5.1.2 CCS权重对比实验
5.2 CCS在路测数据集的实验结果
5.3 实验结论
5.4 本章小结
6 总结和展望
6.1 文章内容及工作总结
6.2 下一步的研究方向
参考文献
作者简历及攻读硕士学位期间取得的研究成果
独创性声明
学位论文数据集
北京交通大学;